P. Cortez, A. Cerdeira, F. Almeida, T. Matos and J. Reis.
Modeling wine preferences by data mining from physicochemical properties.
In Decision Support Systems, Elsevier, 47(4):547-553. ISSN: 0167-9236.
## [1] 1599 13
## X fixed.acidity volatile.acidity citric.acid residual.sugar chlorides
## 1 1 7.4 0.70 0.00 1.9 0.076
## 2 2 7.8 0.88 0.00 2.6 0.098
## 3 3 7.8 0.76 0.04 2.3 0.092
## 4 4 11.2 0.28 0.56 1.9 0.075
## 5 5 7.4 0.70 0.00 1.9 0.076
## 6 6 7.4 0.66 0.00 1.8 0.075
## free.sulfur.dioxide total.sulfur.dioxide density pH sulphates alcohol
## 1 11 34 0.9978 3.51 0.56 9.4
## 2 25 67 0.9968 3.20 0.68 9.8
## 3 15 54 0.9970 3.26 0.65 9.8
## 4 17 60 0.9980 3.16 0.58 9.8
## 5 11 34 0.9978 3.51 0.56 9.4
## 6 13 40 0.9978 3.51 0.56 9.4
## quality
## 1 5
## 2 5
## 3 5
## 4 6
## 5 5
## 6 5
## 'data.frame': 1599 obs. of 13 variables:
## $ X : int 1 2 3 4 5 6 7 8 9 10 ...
## $ fixed.acidity : num 7.4 7.8 7.8 11.2 7.4 7.4 7.9 7.3 7.8 7.5 ...
## $ volatile.acidity : num 0.7 0.88 0.76 0.28 0.7 0.66 0.6 0.65 0.58 0.5 ...
## $ citric.acid : num 0 0 0.04 0.56 0 0 0.06 0 0.02 0.36 ...
## $ residual.sugar : num 1.9 2.6 2.3 1.9 1.9 1.8 1.6 1.2 2 6.1 ...
## $ chlorides : num 0.076 0.098 0.092 0.075 0.076 0.075 0.069 0.065 0.073 0.071 ...
## $ free.sulfur.dioxide : num 11 25 15 17 11 13 15 15 9 17 ...
## $ total.sulfur.dioxide: num 34 67 54 60 34 40 59 21 18 102 ...
## $ density : num 0.998 0.997 0.997 0.998 0.998 ...
## $ pH : num 3.51 3.2 3.26 3.16 3.51 3.51 3.3 3.39 3.36 3.35 ...
## $ sulphates : num 0.56 0.68 0.65 0.58 0.56 0.56 0.46 0.47 0.57 0.8 ...
## $ alcohol : num 9.4 9.8 9.8 9.8 9.4 9.4 9.4 10 9.5 10.5 ...
## $ quality : int 5 5 5 6 5 5 5 7 7 5 ...
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 4.60 7.10 7.90 8.32 9.20 15.90
固定酸度呈现出正偏态分布,不考虑异常值的情况下数据主要分布在7到10之间
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.1200 0.3900 0.5200 0.5278 0.6400 1.5800
挥发性酸度的分布较为集中,主要在0.5附近,0.8到1.6之间的宽度大数据分布很少
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 0.090 0.260 0.271 0.420 1.000
柠檬酸的分布主要在0.5以内,这个数据集的异常值很少都集中在1.0附近,方便做统计分析的时候排查数据噪音
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.900 1.900 2.200 2.539 2.600 15.500
残糖的分布异常集中在2附近,4到16之间的数据量很少,因该是现实中大部分红酒的残糖含量比较稳定,个别的异常值不是主流
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.01200 0.07000 0.07900 0.08747 0.09000 0.61100
氯化物的分布基本都在0.1以下,没有趋势性的变化,所以在研究变量变化的时候可以忽略这个变量
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 7.00 14.00 15.87 21.00 72.00
游离二氧化硫的分布大致分为1到20这个区间数据量众多数值稳定,20到40这个区间数值有递减趋势,40以上的长尾分布较少
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 6.00 22.00 38.00 46.47 62.00 289.00
总二氧化硫在150以下的含量时候呈现正偏态分布
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.9901 0.9956 0.9968 0.9967 0.9978 1.0037
密度这个变量是正态分布,数据间距很小
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.740 3.210 3.310 3.311 3.400 4.010
pH值也呈现出正态分布,但是两端的都有一定量的长尾数据
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.3300 0.5500 0.6200 0.6581 0.7300 2.0000
硫酸盐含量是正偏态分布,但是三分位以上有部分异常值
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 8.40 9.50 10.20 10.42 11.10 14.90
酒精度含量表现出规律的趋势分布,预计会与质量评级有强关联
定序变量用柱状图且赋予其因子factor特性,质量评级以6为中心呈现正态分布
## [1] "ID" "fixed_acidity"
## [3] "volatile_acidity" "citric_acid"
## [5] "residual_sugar" "chlorides"
## [7] "free_sulfur_dioxide" "total_sulfur_dioxidev"
## [9] "density" "pH"
## [11] "sulphates" "alcohol"
## [13] "quality"
在进行两个以上变量分析之前首先宏观的观察下其相关性
基于上述的图示在分析多变量关系的时候就有一定的参考,具体执行过程如下
质量评级从5到8的酒精度有递增的趋势,而且从整体来看确实高度的酒的质量评级比低度数的就高一点
通过这两个图可以明显观察到随着挥发性酸度的降低其红酒的评级逐步提高,根据这个观察推断出,和质量评级相关性最强的变量可能就是挥发性酸度
柠檬酸这个变量对质量评级的影响虽然没有挥发性酸度高,但是质量高的红酒的柠檬酸的含量确实比较高,只是各个等级间的差别比较小
## [1] -0.202288
因为质量评级和酒精含量、挥发性酸度含量有联系,那么这两个变量之间就应该也有某种联系,以上的数据说明了他们确实有一定的负相关,印证了推测
为了更好的验证之前的分析,使用这一组两个图很好的说明了:酒精度数越高、挥发性酸度含量越低其红酒的质量评级越好
## [1] -0.6829782
虽然红酒的质量评级和固定酸度、pH值没有很直接的关联度,但是固定酸度和pH值却有强烈的负相关
##
## (0,1] (1,10] (10,15]
## 2 1586 8